技术摘要：
一种七步洗手法操作规范性自动检测方法，包括以下步骤：S1，利用置于洗手台上方的摄像头，采集洗手视频；S2，根据硬件实际情况及检测帧率的要求，对洗手视频截图并对其进行预处理；S3，将预处理后的每一帧图像输入到采用自适应学习率算法训练的经裁剪的YOLOv3手势类型  全部
背景技术：
手卫生是预防医院疾病传播和交叉感染的重要手段，通常指各种清除手部皮肤表 面病原生物的方法，主要指洗手、外科手消毒和卫生手消毒，是预防、控制医院感染最简便 有效的方法。七步洗手法作为标准洗手法的代表，不仅能清除表面污渍、碎屑，还能消除致 病菌，因此该方法在加强医院管理，减少医院感染上起到重要作用。 传统的洗手行为检测方法一般都是先进行特征提取，然后使用支持向量机等对提 取的特征进行分类识别，因此传统方法在泛化能力以及计算开销上存在难以解决的问题。 例如有基于几何特征的手势识别方法，几何特征指的是如手掌颜色、面积、轮廓特征，这种 识别方法大多采用各种距离公式进行模板匹配，因此原理简单，但是无法解决手势的时间 可变性，识别精度低。基于隐马尔可夫模型的手势识别，隐马尔可夫模型是一种能细致描述 信号的时空变化统计分析的模型，所以对于动态手势识别非常合适，但由于其分析复杂、计 算量大、速度慢，故而较少采用。因此，基于YOLOv3的七步洗手法操作规范性自动检测方法 在预防医院感染中有较好的应用前景。 YOLO作为一种新的目标识别方法，属于one-stage目标识别算法(也称one-shot  object  detectors)，其特点是一步到位，速度相对较快。one-stage识别方法，仅仅需要送 入网络一次就可以预测出所有的边界框，因而速度较快，非常适合用于实时识别。YOLO采用 单个神经网络直接预测目标边界和类型概率，实现端到端的检测。最新的第三代YOLO技术， 在检测速度非常快的情况下，还能拥有较高的识别准确率，因此非常适合用于七步洗手法 操作规范性自动检测。
技术实现要素：
为了克服已有手势识别方法的鲁棒性较差、识别精度低、识别速度慢的缺点，以及 亟待解决的洗手规范性检测，本发明提供了一种增强鲁棒性、提高识别精度和识别速度的 基于YOLOv3的七步洗手法操作规范性自动检测方法。 本发明解决其技术问题所采用的技术方案是： 一种七步洗手法操作规范性自动检测方法，所述方法包括以下步骤： S1，利用置于洗手台上方的摄像头，采集洗手视频； S2，根据硬件实际情况及检测帧率的要求，对洗手视频截图并对其进行预处理； S3，将预处理后的每一帧图像输入到采用自适应学习率算法训练的经裁剪的 YOLOv3手势类型检测网络，得到每一帧的手势类型及其置信度； S4，基于所有检测得到的手势信息计算各手势类型的排列顺序、有效时间及其修 3 CN 111598081 A 说　明　书 2/9 页 正的平均置信度； S5，基于得到的各手势类型特征值，根据规范性评价规则进行评分，并以此进行洗 手操作规范性评价。 进一步，所述步骤S1中，根据所述利用置于洗手台上方的摄像头，采集洗手人员的 洗手视频，指将摄像头固定于洗手台上方，保证能够完整拍摄到水池区域的位置，以确保洗 手人员的手部区域完整的出现在视频中。 再进一步，所述步骤S2的过程为： 七步洗手法中的各类洗手动作在正常操作下1秒内重复次数不会大于5次，因此检 测帧率要求大于等于5fps，在硬件条件允许的情况下，尽可能的使检测帧率达到最大； 为获得质量较高的图像以提高网络检测的准确率，对原始图像进行双边滤波处 理，双边滤波是一种考虑两个像素点的距离和相似度的滤波算法，可以有效的去除图像中 的噪声。 更进一步，所述步骤S3的过程为： 收集不同人员的不同洗手图片用于训练YOLOv3手势类型检测网络，有以下两个途 径，第一，从不同洗手监控历史视频中逐帧截取保存包含洗手人员的图片；第二，让20名(其 中男女各半)年龄不同、身高体型不同的人员进行洗手操作，模拟正确洗手动作，从各个角 度拍摄并保存照片；其中，对于任一类型手势，要求收集到的数量大于等于250张。 为拥有更多的数据集以提高网络检测的鲁棒性，对收集到的七步洗手数据集进行 数据扩充，指对原始图像进行不同角度旋转、添加不同程度噪声、改变对比度、改变亮度； 对扩充后的数据集，利用labelImg软件进行手势区域的标注，得到xml标注文件； 为避免YOLOv3手势类型检测网络在训练过程中由于设置的学习率大小不恰当导 致网络参数震荡及过早地收敛于局部最优解，使用自适应学习率算法根据网络训练情况自 动调整学习率，避免上述问题出现； 自适应学习率下的模型训练对学习率大小的判断采用的策略就是:先使用0.001 作为初始学习率，在训练的前几个epoch中慢慢增大学习率，之后再根据准确率的大小及其 增量综合判断动态减小学习率。 在检测七步洗手法操作规范性时，由于操作人员的洗手速度各不相同，在一秒内 对同一个类型的手势有可能会重复很多次，这就需要网络有较高的检测帧率，同时由于在 拍摄洗手视频的过程中，摄像头距离手不宜过近，因此裁去YOLOv3网络中用于输出13*13尺 寸特征图的卷积层，达到简化网络的效果，提高网络的检测帧率； 将训练集标签文件输入到裁剪后的YOLOv3网络中，经过网络计算得到26*26和52* 52两种尺寸的特征图，结合维度聚类算法计算出的候选框得到误差损失，最后利用上述自 适应学习率算法对网络进行500个epoch的训练，从而得到训练后的YOLOv3手势类型检测网 络； 将预处理操作后的视频图像输入到训练后的YOLOv3手势类型检测网络，经过网络 计算得到26*26和52*52两种尺寸的特征图。 通过双尺度特征图中包含的关于识别到的手势置信度、手势类型，记录对应帧中 出现的手势置信度及类型。 进一步，所述步骤S4的过程为： 4 CN 111598081 A 说　明　书 3/9 页 根据记录到的各帧图像中的手势类型，经过统计获得各手势类型的排列顺序，同 时将对应手势计数器中加1获得该类手势识别次数，通过对手势识别次数进行统计，得到对 应的各类手势的有效时间，根据记录到的各帧图像中的手势置信度，通过计算获取对应类 型手势平均置信度； 考虑实际检测过程中，由于一些不稳定因素的存在，例如：光照强度和器件老化 等，会影响YOLOv3手势类型检测网络检测到的手势置信度的准确率，因此引入修正函数对 计算得到的各类型手势平均置信度进行修正，使低于30％的手势平均置信度衰减为更小的 值；使高于70％的手势平均置信度增强为更大的值，以此使各类型手势平均置信度更切合 实际。 进一步，所述步骤S5中，YOLOv3手势类型检测网络在对洗手人员的操作规范性检 测时难免会对某些帧的手势检测出现差错，导致评价出现偏差，因此提出以手势置信度为 基础，并结合手势类型的顺序和有效时间制定规范性评价标准克服上述困难，提高评价的 合理性； 操作为：根据各手势类型的有效时间及其修正后的平均置信度进行对应类别手势 的单独评分，再求和统计总分记为基础得分，然后结合手势先后顺序是否合理酌情考虑扣 分，最后得到评价洗手规范性的总得分； 洗手规范性等级评价标准的策略是：S<60分为不合格，60≤S＜75分为及格，75≤S ＜85分为良好，85≤S≤100分为优秀，其中S表示总得分。 本发明的有益效果主要表现在：采用图像处理和人工智能技术，实现对七步洗手 法操作规范性进行自动检测，提高评价的客观性、有利于实施有效监督；通过裁剪YOLOv3网 络，提高手势类型检测的速度；通过自适应学习率算法，提高YOLOv3网络对手势类型检测的 准确率；以手势置信度为基础，并结合手势类型的顺序和有效时间制定规范性评价标准，降 低因单帧手势检测差错引起的评价偏差，提高评价的合理性。 附图说明 图1为本发明所采用的七步洗手法操作规范性自动检测方法的整体结构示意图。 图2为本发明所采用的基于YOLOv3手势类型检测网络训练的流程示意图。 图3为本发明所采用的样本标签制作的结构示意图。 图4为本发明所采用的数据集数据扩充的结构示意图。 图5为本发明所采用的手势检测的流程示意图。 图6为本发明所采用的七步洗手法操作规范性评价的结构程示意图。 图7为本发明所采用的修正函数的曲线图。